基于注意力多示例学习的食品图像分类与分割
计算机视觉与模式识别
2023-08-23 v1
摘要
近年来，受饮食监测应用需求的驱动，对精确食物量化的需求日益增长。与此同时，计算机视觉方法在自动化食品领域任务方面展现出巨大潜力。传统上，针对这些问题的机器学习模型开发依赖于具有像素级类别标注的训练数据集。然而，该方法带来了数据采集与真值生成方面的挑战，由于须在多种场景下对成千上万类别进行，这些方法很快变得成本高昂且易出错。为克服这些挑战，本文提出一种弱监督方法，可在不依赖像素级标注的情况下训练食品图像分类与语义分割模型。所提方法基于多示例学习途径，并结合注意力机制。在测试时，模型用于分类，同时注意力机制生成语义热图以用于食物类别分割。文中我们在FoodSeg103数据集的两个元类上开展实验以验证所提方法的可行性，并探究了注意力机制的运行特性。
引用
@article{arxiv.2308.11452,
title = {Food Image Classification and Segmentation with Attention-based Multiple Instance Learning},
author = {Valasia Vlachopoulou and Ioannis Sarafis and Alexandros Papadopoulos},
journal= {arXiv preprint arXiv:2308.11452},
year = {2023}
}
备注
Accepted for presentation at 18th International Workshop on Semantic and Social Media Adaptation & Personalization (SMAP 2023)